基于身份注入与保持的少样本生成模型适应
计算机视觉与模式识别
2026-03-26 v1
摘要
使用有限数据训练生成模型会导致严重的模式崩溃。常见做法是针对目标域适配大型预训练生成模型（数据少于10个样本），称为少样本生成模型适应。然而，现有方法在适应过程中常会忘记源域身份知识，导致目标域生成图像质量下降。为此，我们提出身份注入与保持方法（IP），通过身份注入和一致性对齐来保留源域身份知识。具体而言，我们首先引入身份注入模块，将源域身份知识整合到目标域潜空间中，确保生成图像保留源域关键身份知识。其次，我们设计身份替换模块，包括风格-内容解耦器和重构调制器，以进一步增强源域身份知识保留。通过对齐身份替换特征，强制身份一致性约束，从而保留身份知识。定量和定性实验表明，该方法在多个公开数据集和5个指标上显著优于最新方法。
引用
@article{arxiv.2603.22965,
title = {Few-Shot Generative Model Adaption via Identity Injection and Preservation},
author = {Yeqi He and Liang Li and Jiehua Zhang and Yaoqi Sun and Xichun Sheng and Zhidong Zhao and Chenggang Yan},
journal= {arXiv preprint arXiv:2603.22965},
year = {2026}
}